RAMA: Reconocedor Automático de Matrículas

de Automóviles
Fernando Martín Rodríguez y Xulio Fernández Hermida

Departamento de Teoría de la Señal y Comunicaciones.

Universidad de Vigo.
E.T.S.I.T. Ciudad Universitaria S/N. 36200 Vigo (Pontevedra). España.
Tel: +34-986-812131, FAX: +34-986-812116
E-mail: fmartin@tsc.uvigo.es, xulio@tsc.uvigo.es

Abstract. In this work we present a system that reads automatically a car license
plate using machine vision. In the paper first sections, we describe methods that are
used to locate and segment the characters. Afterwards we describe all the pattern
recognition methods that we tested and we see their different results. The final
sections of the paper give the global system results and also our conclusions and
future lines of work. Some of the techniques that we will describe come from the
“state of the art”, but others were developed for this particular problem. This system
has many practical applications such as parking check in/out, stolen car detection,
security applications...

Palabras clave: Visión por Computador, Morfología Matemática, Redes

Neuronales, OCR.

1. Introducción
Nuestro punto de partida fue una imagen del coche con placa de matrícula legible. En
principio, queríamos que nuestro sistema reconociese por igual la matrícula trasera o
la delantera. Tampoco queríamos “atar” el sistema a un tipo de placas determinado,
esto es: que en la medida de lo posible, fuésemos capaces de reconocer matrículas de
diferentes nacionalidades.
Empezamos trabajando con imágenes en escala de grises confiando en que las
matrículas están diseñadas para ser reconocidas con facilidad, esto es: entre los
caracteres y el fondo siempre hay una diferencia de brillo importante. En este punto
debemos distinguir dos tipos de matrículas: las que tienen caracteres oscuros sobre un
fondo claro (como las matrículas españolas antiguas o las nuevas matrículas de la
comunidad europea) y las que tienen caracteres claros sobre un fondo oscuro (como
las antiguas matrículas portuguesas y francesas). Como veremos, nuestro sistema es
capaz de tratar placas de los dos tipos distinguiéndolas de forma automática.
Otra clasificación preliminar la establecimos entre las matrículas que tienen un
renglón de caracteres (las rectangulares, que son las más habituales) y las que tienen
dos renglones (las cuadradas, que aparecen en algunas motocicletas y también en
algunos furgones). Nuestro sistema es capaz de distinguir automáticamente de qué
tipo de placa se trata y tratarla adecuadamente.
Una primera versión del sistema se publicó en [1] en el año 1997. En ese momento
el sistema ya tenía todos los elementos funcionales. A lo largo de los siguientes años
se han ido implementando nuevos métodos de reconocimiento, segmentación y
localización de la placa.

Figura 1. Ejemplo de una imagen de partida con la placa de matrícula visible.

2. Localización y Segmentación de Caracteres

En esta sección vamos a ver cómo el sistema es capaz de encontrar los caracteres que
después va a reconocer. Se trata de una etapa fundamental y que suele ser también la
de mayor dificultad y la responsable de la mayor parte de los errores.

2.1 Localización de Posibles Placas

Para esta parte se han desarrollado dos métodos que expondremos brevemente: el
primero basado en gradientes y el segundo basado en morfología matemática.

2.1.1 Método Basado en Gradientes

La idea básica es muy simple: los caracteres provocan picos en el gradiente. Además,
esos picos siguen un patrón muy definido: si los caracteres son oscuros y el fondo es
claro, a un valor de gradiente fuerte y negativo seguirá (en la misma línea y muy
pegado) otro valor fuerte y positivo, la distancia entre ambos valores es una
aproximación del grosor del trazo (en el caso de caracteres claros sobre fondo oscuro,
ocurrirá exactamente lo contrario).

PO-9015-AC Distancia entre caracteres

Anchura del carácter Ancho del trazo

Figura 2. Método del Gradiente aplicado en una línea de imagen que contiene una
placa de matrícula.

Nuestra idea fue aprovechar el patrón anterior, esto es: calcular el gradiente horizontal
y buscar las líneas (o, mejor dicho, los trozos de línea o segmentos) que cumplan el
patrón anterior. Cuando tenemos el patrón dado en varios segmentos de líneas
consecutivas, podemos intentar unirlos para formar un rectángulo (siempre que los
segmentos estén aproximadamente alineados en vertical). Estos rectángulos ya son las
posibles placas que se entregarán a la etapa siguiente. Podemos postprocesar esos
rectángulos uniendo los que están muy pegados. Este proceso va a unir en una sola
placa los dos renglones de las placas cuadradas, pero la información de que una placa
viene de la unión de otras se debe conservar (porque en el caso de las placas
cuadradas ayuda a la segmentación de renglones).
Nótese que este método (y también el siguiente) encuentra una serie de posibles
placas. Esas placas van a ser procesadas todas por separado y no se tomará la decisión
sobre cuál es la correcta hasta la etapa de segmentación de caracteres. Debido a esta
forma de trabajar, encontraremos como posibles placas zonas tales como pegatinas,
las letras de la marca del coche y otras zonas que produzcan un patrón de gradiente
similar al de la placa. Ya veremos cuál es el método que se usa para discernir la
verdadera placa. De momento, sólo mencionaremos una decisión de diseño: si en la
imagen de entrada hay más de una placa, el sistema siempre se queda con la de mayor
tamaño.
Para la implementación concreta utilizamos el conocido operador de Sobel [2] para
calcular el gradiente. Sobre el resultado impusimos un umbral que se calcula fijando
un porcentaje (por ejemplo un 5%) sobre el histograma, esto es: van a superar el
umbral el 5% de los valores de gradiente. Se trata de umbral e histograma en valor
absoluto; el gradiente se convierte a tres posibles valores: 1, 0 y –1.

2.1.2 Método Morfológico

La base de este método es un modelo diferente (aunque en el fondo comparte la

misma idea del anterior): los caracteres son objetos formados por trazos finos y
colocados sobre un fondo de color opuesto. Eso permite detectarlos con el operador
morfológico [3] llamado “top-hat”, que se basa en borrar los caracteres y obtener la
resta entre la imagen original y la imagen procesada.

Figura 3. Izquierda: imagen inicial. Centro: imagen procesada (sin caracteres).

Derecha: “top-hat” obtenido restando la segunda imagen de la primera.

El borrado de caracteres se consigue, en este caso, aplicando un “closing” (utilizando

morfología para escala de grises) a la primera imagen con un elemento estructurante
que no quepa dentro del trazo de las letras. Si las letras fuesen negras sobre fondo
blanco, habría que aplicar un “opening”. Este es el primer problema de este método:
hay que aplicarlo dos veces para conseguir encontrar los dos tipos de matrícula.
 Para completar la localización se binariza la imagen que resulta del “top-hat”,
eligiendo un umbral con el conocido método de Otsu [4]. Después, se aplican técnicas
de morfología binaria para conseguir unir todos los caracteres en un rectángulo y
borrar todo lo que no pertenezca a dicho rectángulo. Para ello, hay que suponer
conocida la máxima distancia entre caracteres y la máxima y mínima altura de éstos.
Esta es la limitación principal del segundo método: sólo se puede aplicar si el tamaño
de los caracteres es conocido. Generalmente, esto significa que se puede aplicar
cuando la distancia entre la cámara y la placa es constante.
Una vez aislada, la placa que resulta suele ser un poco más pequeña que la real por
lo que se agranda con una dilatación. Esta operación tiene el efecto de unir los
renglones de las placas cuadradas.

Figura 4. Izquierda: imagen inicial. Centro: detección de placas (renglones). Derecha:

detalle de la placa que se acaba detectando.

2.1.3 Comparación e Integración

Hemos visto que el método morfológico tiene más limitaciones que el primero (y en
las pruebas produjo mayor número de placas falsas). Los porcentajes obtenidos (por
número de placas acertadas) son muy similares (ambos por encima del 95%). Sin
embargo, el método morfológico mostró un mejor comportamiento en cierto tipo de
placas. Podemos ver un ejemplo en la siguiente figura:

Figura 5. Izquierda: imagen segmentada usando gradientes. Derecha: imagen

segmentada morfológicamente.

Vemos que el método morfológico se ve menos afectado por elementos extraños

como los faros, cerradura y similares. Esos elementos producen máximos de gradiente
pero no aparecen en el “top-hat”. Además, el método morfológico se mostró capaz en
un tipo de matrículas que son casi imposibles para el método del gradiente: las
motocicletas (en este caso, el número de gradientes que no proceden de la placa es
enorme).
La solución pasa por combinar ambos métodos cuando sea posible (si la distancia
no es fija, la morfología no vale). Aplicando ambos métodos obtendremos el doble de
placas y aquéllas con mucho solapamiento serán las más probables.
2.2 Binarización

Para la binarización también diseñamos dos métodos que luego decidimos combinar.
El primero es el método de Otsu [4], el segundo es un método desarrollado por
nosotros y que, para este caso, ha resultado superior.

2.2.1 Método de Otsu

Empezamos implementando el método de Otsu original (Figura 6) y también

probamos una versión interpolada basada en [5]. Esta segunda versión se mostró
capaz de tratar con placas donde la iluminación no era todo lo uniforme que sería
deseable (Figura 8).

Figura 6. Izquierda: imagen que ha salido del localizador. Derecha: Binarización con
el método de Otsu, umbral único.

Figura 7. Izquierda: imagen con iluminación incorrecta. Derecha: el umbral de

Otsu interpolado resuelve el problema.

2.2.2 Método del Gradiente

El método del gradiente se basa en la siguiente idea: los valores grandes de gradiente
separan a los pixels en dos clases claramente diferenciadas. Se trata de aprovechar el
gradiente que ya teníamos calculado de la etapa de localización. Podemos recorrer la
matrícula y clasificar cada pixel. Eso nos permite obtener sumas y medias para cada
clase. El umbral se calcula como:
Umbral=(µNNB+µBNN)/(NN+NB) (1)

Figura 8. Interpretación geométrica de la Fórmula 1.

Donde µN es la media de los píxeles negros, µB es la media de los píxeles blancos y NN

y NB son el número de píxeles negros y blancos, respectivamente. Para entender bien
esta fórmula hemos dibujado una interpretación geométrica (Figura 8).
Este método fue comparado con el de Otsu original sobre más de 50 coches y se
concluyó que las imágenes binarizadas con el método del gradiente eran más fáciles
de segmentar. Como ejemplo, podemos ver el resultado con este método para la
imagen de la Figura 7 (Figura 9).

Figura 9. Izquierda: imagen que ha salido del localizador. Derecha:

Binarización con el método del gradiente (no aparecen caracteres pegados a los
bordes).

2.2.3 Comparación y Combinación de Ambos Métodos

Como dijimos, el método del gradiente se comporta mejor que el Otsu normal y
además es muy rápido. El Otsu interpolado es el mejor de todos pero también es lento
y sólo se requiere en casos de iluminación incorrecta como el de la Figura 7.
Con todo esto en mente diseñamos un método para combinar eficazmente el
método del gradiente y el Otsu interpolado. Se trata de empezar aplicando el método
del gradiente, medir la calidad del umbral obtenido y, si es pobre, aplicar Otsu
interpolado.
Para medir la calidad del umbral, medimos cuantos píxeles de la imagen están en
un entorno de ese umbral. Si el porcentaje es demasiado alto el umbral no es bueno ya
que no se está encontrando el valle central del histograma bipolar.

2.2.4 Determinación del Color Activo

Con color activo nos referimos al color de los caracteres (foreground color). Aunque
tengamos la imagen binarizada, todavía no sabemos si este color es blanco o negro.
Esta decisión hay que tomarla para cada placa (ya que se puede llegar a tener en la
misma imagen inicial una matrícula de cada tipo). Nótese, que los dos métodos de
localización que presentamos son capaces de deducir esta información como dato
adicional: el primer método sabe el color de los caracteres por el orden en que
encuentra los valores de gradiente; mientras que el segundo método también lo sabe
por el tipo de “top-hat” que le llevó a cada placa. Esa decisión puede ser reforzada
contando el número de píxeles blancos y negros: los de fondo deberían ser mayoría.
Eso es mejor hacerlo en el centro de la placa para evitar errores debidos a objetos
extraños que se hayan unido a la placa.
Una vez determinado el color activo, si es el blanco, realizamos un negativo de esa
placa. A partir de este punto, el color activo será siempre el negro.

2.3 Corrección de la Inclinación

Para corregir la inclinación, primero calculamos el ángulo usando el algoritmo que se

presenta en [6] (usando la transformada de Hough) y después realizamos un giro.
 Para el cálculo del ángulo no realizamos la transformada a todos los píxeles sino
sólo a los del contorno horizontal, esto es: los píxeles donde hay un salto del blanco al
negro en cada columna de la imagen.
Para optimizar el giro no usamos el método habitual de invertir la matriz de giro.
Lo que hacemos es aplicar un giro directo sólo a los píxeles negros y colocar los
píxeles girados sobre una nueva imagen, inicialmente blanca.

Figura 10. Imagen de la Figura 9 corregida por este método. En el giro se ha tenido en
cuenta que los límites de la imagen han crecido. Hay cierto ruido granular debido al
redondeo de coordenadas.

2.4 Segmentación

La segmentación en este sistema ha sido implementada de forma casi artesanal.

Además, cada parte se ha diseñado de forma que sea capaz de funcionar, aun en caso
de errores leves en las etapas anteriores. Por ejemplo: como paso previo a la
segmentación se intenta eliminar los bordes de la matrícula (que, muchas veces,
aparecen en las placas binarizadas). Sin embargo, nuestro segmentador es capaz de
trabajar también en presencia de bordes. Pero cuando el borde ha sido eliminado, el
funcionamiento del segmentador será menos propenso a errores.
Además, es en esta etapa donde se decide cuál es la placa correcta. La
segmentación se va realizando en todas las placas ordenadas por su área (en orden
decreciente). Cuando se encuentra una placa que contiene entre 4 y 12 caracteres
correctos se considera esa como la buena y no se sigue segmentando. Normalmente,
las placas incorrectas no producen caracteres en la segmentación. Este método es muy
simple pero se ha mostrado eficaz ya que las placas falsas son poco probables. Si hay
dos placas correctas en la imagen, se encontrará la mayor.

2.4.1 Segmentación de Líneas (Detección de Matrículas Cuadradas)

El sistema aquí podría fiarse de la información que tiene de la etapa de localización;

ya que, normalmente, las placas cuadradas se detectan como dos renglones que
después se unen. Sin embargo, eso no es siempre así; por ejemplo cuando la placa
cuadrada está inclinada los renglones tienden a mezclarse. Por eso, aquí se realiza una
comprobación adicional usando la proyección vertical. La proyección debería tener un
mínimo local en el centro, similar (tal vez algo mayor) a los que aparecen en los
extremos. Ese mínimo (si existe) se usa como línea de ruptura.

2.4.2 Segmentación de Caracteres Individuales

Para la segmentación de cada renglón se ha implementado un método que recorre una

línea central buscando caracteres. El recorrido empieza en el centro del rectángulo y
va avanzando alternativamente a izquierda y derecha. Cada vez que se encuentra una
mancha conectada se estudia para determinar si es un carácter o no. Si se avanza un
espacio prudencial sin encontrar nada, el recorrido se para por ese lado, aun sin llegar
al final. A las manchas se les aplican muchas reglas: tamaño mínimo y máximo, razón
de aspecto y otras similares. Cuando se encuentra una mancha que puede
corresponder a dos caracteres pegados se estudia si hay un punto óptimo para partirla
(usando proyección horizontal). Una vez extraídos todos los caracteres se eliminan
aquéllos que tengan una altura o un área excesivamente diferente al resto. Por
anchura, sólo se eliminan los que tienen un valor excesivo respecto del resto (no se
elimina nada por poca anchura debido a caracteres como la I o el 1). Este método se
ha depurado a través de un largo proceso de ensayo y error.

3. Métodos de Reconocimiento de Patrones

3.1 El método de la Proyección

En este método obtenemos las proyecciones verticales y horizontales del carácter a

reconocer y las comparamos con un alfabeto de caracteres posibles. La distancia
mínima determina el carácter ganador.

Figura 11. Ejemplo de vectores de proyecciones y trazas. En el cálculo de trazas hay

que tener cuidado con el ruido granular ya que puede incrementar la cuenta.

Para comparar vectores de proyección de tamaños distintos (suponemos que el

carácter de entrada siempre es más pequeño que el modelo) hemos desarrollado una
función de comparación heurística. Además de la proyección obtenemos el vector de
trazas. Éste se construye contando el número de trozos negros que se encuentran al
recorrer cada línea o columna de la imagen. Podemos decir que el vector de trazas
divide a la curva de proyecciones en zonas. Cada valor de la proyección de entrada se
va a comparar con un trozo del modelo (así se compensa la diferencia de tamaños). Si
la traza de entrada en ese punto no coincide con alguna traza del subvector del
modelo, se aplica una penalización especial. Las distancias horizontal y vertical,
simplemente, se suman.

3.2 Métodos Estructurados

Llamamos métodos estructurados a aquéllos que se componen de una extracción de

características y un clasificador. Vamos a exponer 2 métodos para cada parte lo que
nos permite combinarlos de 4 formas distintas. Antes de la extracción, siempre se
realiza un proceso de escalado (manteniendo la relación de aspecto) y otro de
centrado (añadiendo columnas en blanco) que permite trabajar con caracteres de
tamaño fijo [7].

3.2.1 Extracción Basada en el Gradiente de Kirsch

Esta extracción se basa en obtener los componentes de la imagen en cuatro direcciones

principales: horizontal, vertical, diagonal primera (desde la esquina superior izquierda
hasta la inferior derecha) y diagonal segunda. Esto se consigue utilizando el operador
gradiente de Kirsch [2] (por ejemplo, el gradiente horizontal nos da la componente de
dirección vertical). Combinando las componentes direccionales y la imagen original,
tras una serie de escalados y diezmados se obtiene un vector de 80 números reales.
Éste es el vector de características.
Nosotros hemos calculado el vector de características de Kirsch para más de 1000
caracteres extraídos de matrículas reales. Después, calculamos el parámetro Λ de
Wilks [8] para comprobar si existía separabilidad en esos datos. Al obtener un valor
del orden de 10-20 se demuestra que sí existe y que es muy buena (el parámetro debería
resultar menor que 1, un valor menor implica mayor separabilidad).

Figura 12. Ejemplo simple del significado de las características direccionales.

3.2.2 Extracción Basada en la Transformada de Karhunen-Loève

La transformada KLT [9] se basa en diagonalizar la matriz de autocorrelación de los

datos. Después de eso, es posible expresar esos datos como combinación lineal de sus
"componentes principales" o autovectores. Esas componentes tienen mayor
importancia cuanto mayores sean los autovalores asociados. Por tanto, es posible
retener un número de componentes que serán los que se usen para reconocer (los
demás, ni siquiera se calculan).
Nosotros decidimos escalar los caracteres a un tamaño 8x8 y después retener los 32
primeros coeficientes de la KLT (la mitad). El parámetro de Wilks para este caso
resulta de orden de 10-12 con lo que se demuestra la existencia de separabilidad.

3.2.3 Clasificación Utilizando Redes Neuronales Probabilísticas

La Red Neuronal Probabilística o PNN (Probabilistic Neural Network) [10] se basa en

el cálculo de la probabilidad a posteriori, esto es: se trata de un clasificador que
emplea el método de máxima verosimilitud. Para ello, se realiza un modelado
gaussiano de las características de entrada, centrado en las muestras de entrenamiento.
La PNN no tiene una verdadera etapa de entrenamiento sino que recorre todo el
conjunto clasificado en cada ejecución. Esto da lugar a un método muy lento. En
nuestra implementación, hemos hecho una reducción aleatoria del conjunto de
entrenamiento que permite mejorar mucho los tiempos (nos hemos quedado con 20
muestras por clase, elegidas aleatoriamente).

3.2.3 Clasificación Utilizando Perceptrón Multicapa

El perceptrón multicapa o MLP (Multi Layer Perceptron) [11] se basa en el

entrenamiento de los pesos de redes neuronales artificiales.
Nosotros hemos empleado dos esquemas diferentes: para la extracción de Kirsch
usamos un esquema de conexiones reducidas descrito en [7] (que refleja el significado
geométrico de esta extracción) y para la extracción KLT usamos un esquema de
conectividad total. El algoritmo de entrenamiento empleado fue el back-error-
propagation [11] normal.

3.3 Un Método Híbrido

Este método consiste en aplicar primero el método de la proyección para seleccionar

un conjunto de candidatos y después aplicar la PNN sólo a esos candidatos. El
número de candidatos que elegimos es de 5 como máximo, esto es: seleccionamos los
5 caracteres de menor distancia a la entrada; pero si hay un salto importante entre el
segundo y el tercero (por ejemplo), sólo cogeremos 2. Gracias a esto, a veces, no hay
que usar la PNN porque el primer método ya obtuvo resultados concluyentes.

3.4 Pruebas, Resultados y Comparación de Métodos

Estos resultados proceden de la prueba con 217 caracteres extraídos de 30 placas. Los
reconocedores fueron entrenados con 1054 caracteres extraídos de 155 placas. Los
conjuntos de prueba y entrenamiento son disjuntos. Los resultados fueron:
Extracción Características Clasificador PNN: MLP:
Componentes de Kirsch: 97.68% 99.07%
KLT: 96.29% 98.61%
Método de la Proyección: 91.74%
Método Híbrido: 97.92%
Tabla 1. Porcentajes de acierto.
El método híbrido llega a mejorar la exactitud de la PNN (debido a la conjunción de dos
métodos, con ventajas y desventajas complementarias). El método de la proyección es el
más simple y el menos preciso. Ahora veremos los tiempos medios de ejecución (medidos
en un Intel Pentium MMX a 133 MHz):
Extracción Características Clasificador PNN: MLP:
Componentes de Kirsch: 98.44 31.03
KLT: 51.38 2.03
Método de la Proyección: 15.26
Método Combinado (apartado 2.2.5.6): 52.14
Tabla 2. Tiempos medios de ejecución (en milisegundos).
La extracción de características KLT es más rápida que la de Kirsch. Además, el
reconocedor MLP es mucho más rápido que la PNN. Nótese además que el método
combinado presenta un valor intermedio entre los dos métodos componentes.
A la vista de estos resultados pensamos en elegir como OCR definitivo la
extracción KLT seguida de MLP. Este método es, con mucho, el más rápido y su
porcentaje de acierto es plenamente aceptable. Sin embargo, debemos tener en cuenta
que el número de muestras de entrenamiento es, teóricamente, insuficiente para un
MLP (debería ser, al menos, 5 veces el número de pesos del MLP) con lo que ésta
podría ser una elección arriesgada. ¿Por qué, aun estando infraentrenado, ha dado
buenos resultados con conjuntos de entrenamiento y prueba disjuntos? Tal vez, la se
trata de que este es un problema donde la generalización es fácil por ser caracteres
impresos, siempre en mayúscula y con fuente constante (recuérdese la gran medida de
separabilidad obtenida). Si aún así decidimos descartar el MLP, el método híbrido
ofrece unas características muy interesantes tanto en tiempo como en acierto. Los
resultados globales de la sección 4 se han obtenido con este último OCR.

4. Pruebas y Resultados del Sistema Global

El sistema en su conjunto se probó con 185 imágenes de coches. La tasa de
reconocimiento global (por placa) fue del 84.11%. Nótese que por carácter se
obtuvieron porcentajes de más del 97% pero sin tener en cuenta los problemas debidos
a la localización y segmentación. Aplicando técnicas de rechazo (el sistema renuncia a
reconocer los casos que considera más difíciles, esos casos rechazados se pasan a un
operador humano) se consiguió aumentar el porcentaje de acierto al 94.07% de los no
rechazados. El porcentaje de coches rechazados fue del 10.59%.
El tiempo medio de ejecución del proceso completo es de 1.5 segundos por imagen
(en un Intel Pentium MMX a 133 MHz).

5. Comparación con Proyectos Similares

Un sistema similar fue desarrollado en la Universidad de Tras-os-Montes e Alto Douro
(Portugal) [12]. Este sistema consigue localizaciones correctas en el 100% de coches
parados, el 99.5% de coches en movimiento con condiciones climáticas favorables y el
88.5% de coches en movimiento con condiciones adversas (nuestro sistema localiza
una matrícula incompleta el 2% de las veces y no encuentra nada en otro 2%,
acertando en el 96% restante; en esta prueba mezclamos coches parados y en
movimiento, en condiciones buenas y malas). El OCR de este sistema obtiene un
porcentaje sobre caracteres bien segmentados de 98.4%. El porcentaje global no
aparece en la publicación.
También hemos estudiado las especificaciones de varios sistemas comerciales. Las
prestaciones al usuario son similares a las del nuestro pero ahí acaba la comparación
porque ninguno da datos de los porcentajes de acierto, simplemente afirman que son
altos y tampoco mencionan nada sobre los métodos empleados.
6. Conclusiones
Hemos utilizado técnicas que son individualmente muy simples pero su adecuada
combinación nos ha permitido desarrollar un sistema potente y con muchas
aplicaciones prácticas.

7. Líneas Futuras
Actualmente, ya estamos probando un nuevo reconocedor basado en la distancia de
Haussdorf. En el futuro, nos gustaría probar con sistemas que son capaces de realizar
el reconocimiento sin segmentación [13].

Agradecimientos. Los autores desean expresar su agradecimiento a todos los

estudiantes que colaboraron haciendo que este sistema llegara a ser una realidad (y a
los que siguen colaborando en su evolución). A saber: José Luis Fernández Lijó, Fidel
Pita Sande, Miguel Pérez Iglesias, Miguel Ángel Piñeiro Martínez, Juan Antonio
López Bueno y Maite García Saburido.

Referencias
[1] X. Fernández et al. "An O.C.R. for V.L.P.'s (Vehicle License Plates)". Proceedings
of ICSPAT-97. San Diego. Septiembre.
[2] A. K. Jain. "Fundamentals of Digital Image Processing". Ed: Prentice-Hall. 1989.
[3] J. Serra. "Image Analysis Using Mathematical Morphology". Ed: Academic Press.
1984.
[4] N. Otsu. "A Threshold Selection Method for Gray Level Histograms". IEEE
Transactions on System, Man and Cybernetics. Enero, 1979.
[5] J. Ohya, A. Shio, S. Akamatsu. "Recognizing Characters in Scene Images". IEEE
Transactions on Pattern Analysis and Machine Intelligence. Febrero, 1994.
[6] G. S. D. Farrow, M. A. Ireton, C. S. Xydeas. "Detecting the Skew Angle in
Document Images". Signal Processing: Image Communication. 1994.
[7] D. Cruces Álvarez, F. Martín Rodríguez, X. Fernández Hermida. "Printed and
Handwritten Digits Recognition Using Neural Networks". ICSPAT-98. Toronto.
[8] M. M. Tatsuoka. "Multivariate Analysis". John Wiley & Sons. 1971.
[9] P.J. Grother. "Karhunen-Loéve Extraction for Neural Handwritten Character
Recognition". Applications of Artificial Neural Networks III. Orlando. 1992.
[10] J. L. Blue et al. "Evaluation of Pattern Classifiers for Fingerprint and OCR
Applications". Pattern Recognition. Vol 27. 1994.
[11] S. Haykin. "Neural Networks, A Comprehensive Foundation". Ed. McMillan.
[12] J. Barroso et al. "Number Plate Reading Using Computer Vision". ISIE-97.
Guimarães.
[13] M. A. Özdil, F.T. Yarman-Vural, N. Arica. "Optical Character Recognition
Without Segmentation". Lecture Notes on Computer Science. Nº 1311, Vol 2. 1997.